Méthodes d’intelligence artificielle appliquées au procédé d’extrusion réactive pour la formulation de matériaux polymères et le recyclage
Auteur / Autrice : | Fanny Casteran |
Direction : | Philippe Cassagnau, Francisco Chinesta |
Type : | Thèse de doctorat |
Discipline(s) : | Matériaux polymères |
Date : | Soutenance le 24/03/2022 |
Etablissement(s) : | Lyon |
Ecole(s) doctorale(s) : | Ecole doctorale Matériaux de Lyon (Villeurbanne ; 1992?-....) |
Partenaire(s) de recherche : | établissement opérateur d'inscription : Université Claude Bernard (Lyon ; 1971-....) |
Laboratoire : Ingénierie des Matériaux Polymères (Auvergne Rhône-Alpes ; 2007-....) | |
Jury : | Président / Présidente : René Fulchiron |
Examinateurs / Examinatrices : Philippe Cassagnau, Francisco Chinesta, Emmanuelle Abisset, Anaïs Barasinski, Olivier Lhost | |
Rapporteurs / Rapporteuses : Emmanuelle Abisset, Anaïs Barasinski |
Mots clés
Résumé
L’objectif de ces travaux est l’utilisation de méthodes de Machine-Learning pour la modélisation du procédé d’extrusion réactive. Les modèles existants de ce procédé comportent nécessairement des simplifications dues aux nombreux phénomènes couplés impliqués, et donc des limitations. Trois systèmes réactifs ont été étudiés. Le premier est basé sur la dispersion d’une phase thermodurcissable réticulée in situ dans une matrice polypropylène. Cette phase thermodurcissable est composée d’un époxy et d’un durcisseur, et, avec l’ajout d’un compatibilisant, permet d’améliorer les propriétés mécaniques du polypropylène. Le second consiste en la dispersion d’une phase constituée d’oligomères fonctionnels réticulés in situ dans une matrice polypropylène. Il s’agit d’oligomères de polyéthylène greffés avec de l’anhydride maléique, formant un réseau avec une triamine ou un diol. Le troisième système consiste en la dégradation de polyéthylène haute densité et de polyéthylène à très haute masse molaire par extrusion à très hautes températures (T ≈ 400 °C) pour des applications au recyclage. Une seconde partie de cette étude consiste en l’ajout d’anhydride maléique durant ce procédé afin de fonctionnaliser le polyéthylène. Pour chaque système, différentes conditions de procédé et formulations ont été testées, conduisant à des sets de données. Différents algorithmes de Machine-Learning ont été appliqués à ces données afin de créer des modèles prédictifs des différents paramètres mesurés. Ils ont ainsi pu prédire différents paramètres de procédés mesurés en ligne (températures, pression, couple, puissance moteur), et dans la plupart des cas, donné des meilleurs résultats que le logiciel commercial de simulation d’extrusion bi-vis corotatives Ludovic®. Une méthode de modélisation hybride, se basant sur Ludovic® et utilisant le Machine-Learning pour modéliser une correction du modèle, a été appliquée au second système et a permis d’obtenir des résultats précis. Ces méthodes de Machine-Learning ont également permis de prédire certaines propriétés des matériaux finaux, telles que les propriétés mécaniques du polypropylène renforcé par une phase thermodurcissable (module d’Young, contraintes seuil et à la rupture, déformation à la rupture et résistance aux chocs), ou encore la masse molaire et viscosité finale des polyéthylènes dégradés ainsi que leur taux d’anhydride maléique greffé.